基于车轮垂直动载的路面不平度识别研究

通过比较发现车轮垂直动载和语音信号在信号特点和处理任务上有很大的相似性,基于车轮垂直载荷的路面不平度识别类似于说话人识别技术.路面不平度识别的关键之一是特征提取.试验表明说话人识别中使用的过零点、全变差、方差和共振峰幅值特征参数可用于路面不平度识别.     

论路面不平度的研究背景和进展

提出了研究路面不平度的意义及其必要性。从整车平顺性的角度分析了该领域的研究背景;分别从道路工程和车辆工程两个领域归纳总结了国内外的研究阶段和发展现状。最后指出虽然汽车业近些年来迅猛发展,但在路面辨识方面的系统研究还很匮乏,急需开展相关工作,为车辆的研发和设计奠定坚实的基础。     

路面不平度及车辆响应的小波分析

对计算机模拟的路面不平度及车辆响应的时域信号进行小波分析,并对结果进行比较研究。     

基于履带车辆车体动态响应的行驶路面不平度识别

建立了基于履带车辆车体动态响应的行驶路面不平度识别的模型.该模型采用带外源输入的非线性自回归神经网络结构,以履带车辆车体动态响应为输入、路面不平度为输出.将相关性系数、均方根误差和绝对误差累计概率密度作为识别效果的评价指标,并给出了上述三个指标的融合方法.基于正交试验设计的思路分析并实现了路面不平度识别模型输入数量和识...     

路面不平度识别与地图匹配在车辆定位中的应用

随着电子地图精度的不断提高及信息种类的逐步丰富,将高精度电子地图用于辅助车辆定位,对提升定位精度与定位稳定性具有很大价值。在高精度电子地图及GPS/INS定位的基础上,提出了通过分析车辆垂向振动感知路面不平度特征,并与电子地图存储的道路不平度信息匹配,以实现车辆高精度定位的方法。道路测试结果表明:路面不平度识别与地图匹配定位方法能有效利用电子地图信息,获得高精度的车辆定位数据,在GPS/INS定位精度较低的情况下达到高精度定位效果。     

小波分析在路面不平度信号降噪中的应用研究

阐述了几种传统小波去噪原理及其优缺点,在此基础上提出了一种基于能量元和Neyman-Pearson准则的小波阈值去噪算法,并将其用于路面不平度数据的降噪分析.仿真结果表明,该算法不仅能最大限度地保留路面不平度信号的趋势部分,而且能有效降噪.     

路面不平度的数值模拟与悬架最优控制

根据力学和流体学知识构造出了液压半主动悬架系统的状态空间,并且由傅里叶变换模拟出B、C两级路面的不平度随时间变化的图像,并以此输出信号作为地面的干扰激励信号。然后通过最优控制器控制原理对悬架进行控制。通过Matlab和simulink软件建立了B、C级路面随时间变化的随机模型,最优控制器控制模型。通过仿真对悬架系统的车身加速度、车身相对位移和车身相对动载三个性能指标在不同路面时原系统和最优控制器系统进行了详细的分析。     

随机信号在路面不平度仿真中的应用

重点研究了随机信号在路面不平度仿真中的应用,分别使用AR法和伪白噪声法在空间域下对C级路面进行仿真。仿真使用Matlab语言,仿真步长为0.1m,路面长度为10km。结果表明:两种仿真方法的计算量与所仿真的路面长度成正比,AR法计算量小,而伪白噪声法算法稳定性好,提高仿真精度的措施灵活。     

基于深度学习的目标识别与抓取研究

针对机械臂抓取在工业生产中的复杂作业环境、不同零件之间存在干扰的问题,文章提出了一种基于深度学习的目标识别及抓取方法,以此来减少抓取场景中物体位置的不确定性,提高检测和抓取成功率。采用卷积注意力机制模块（convolutional block attention module,CBAM）对YOLO-V5进行改进,加强卷积网络对图像特征的关注和提取能力,提高检测精度。改进之后的网络平均识别率提高了5.26%,证明了改进是有效且成功的。通过AUBO-i5机械臂、电动夹爪、相机以及六轴力传感器等设备搭建了一套机械臂抓取系统,实验结果表明所提出的方法在实际抓取中可以适应不同的抓取场景,减少外界干扰,提高抓取成功率,具有良好的应用前景。     

路面功率谱密度换算及不平度建模理论研究

为了明晰路面不平度空间域统计量的计算,以及几种重要功率谱密度(power spectral density,简称PSD)之间的关系,以帕塞瓦尔定理和维纳-辛钦定理为依据,在推导空间域自相关函数和PSD计算公式的基础上,导出了不平度空间域位移、速度与加速度PSD以及空间频率与角频率PSD之间的换算关系。另外,为了完善傅里叶逆变换法路面建模中PSD离散化的理论基础,以傅里叶级数与变换、离散傅里叶变换和频域卷积定理为依据,从离散化的原因、目的和结果验证出发论证了PSD离散化的正确性。就模拟路面验证问题,指出直接法谱估计的不合理之处,论证了平均周期图法谱估计时,空间与时间采样频率分别对应着空间域和时间域PSD输出。结果表明,上述换算关系和论证是正确的,可应用于路面不平度建模和汽车平顺性分析。     

基于深度学习的汽车车牌识别算法研究

随着我国汽车的保有量逐渐增加,车牌识别在智慧车辆管理系统中起着重要作用.现有的车号识别算法识别速度慢、准确度不高,容易受光线及车牌位置角度与摄像机相对固定位置的影响而造成误识别.基于深度学习的Faster-RCNN进行车牌定位,生成车牌提取框提取车牌;使用VGG16网络模型识别字符,最终完成汽车车牌的识别.在大量的数据集中进行训练、测试,仿真结果表明在复杂环境下采用Faster-RCNN与VGG16结合的网络模型对车牌的识别准确率高达99.2％,识别准确率优于其他算法.     

基于深度学习的汽车车牌识别算法研究

随着我国汽车的保有量逐渐增加,车牌识别在智慧车辆管理系统中起着重要作用.现有的车号识别算法识别速度慢、准确度不高,容易受光线及车牌位置角度与摄像机相对固定位置的影响而造成误识别.基于深度学习的Faster-RCNN进行车牌定位,生成车牌提取框提取车牌;使用VGG16网络模型识别字符,最终完成汽车车牌的识别.在大量的数据集中进行训练、测试,仿真结果表明在复杂环境下采用Faster-RCNN与VGG16结合的网络模型对车牌的识别准确率高达99.2％,识别准确率优于其他算法.     

基于深度学习的汽车车牌识别算法研究

随着我国汽车的保有量逐渐增加,车牌识别在智慧车辆管理系统中起着重要作用.现有的车号识别算法识别速度慢、准确度不高,容易受光线及车牌位置角度与摄像机相对固定位置的影响而造成误识别.基于深度学习的Faster-RCNN进行车牌定位,生成车牌提取框提取车牌;使用VGG16网络模型识别字符,最终完成汽车车牌的识别.在大量的数据集中进行训练、测试,仿真结果表明在复杂环境下采用Faster-RCNN与VGG16结合的网络模型对车牌的识别准确率高达99.2％,识别准确率优于其他算法.     

基于深度学习的花椒采摘器视觉识别

对于智能花椒采摘器中机器视觉部分在花椒枝干识别与采摘定位上的不足,本文通过将深度学习技术中的卷积神经网络模型与注意力机制这两种模型运用到智能花椒采摘器的机器视觉部分以提高采摘器的识别功效.结果 显示,经过优化后的卷积神经网络算法训练使采摘器对花椒簇的整体识别准确率由52.3％提高至96.7％,同时通过注意力机制算法提升了机器视觉对花椒树主枝干识别的抗干扰能力,帮助采摘器更加准确的判断出采摘点的位置.通过以上两种模型验证了深度学习技术在提高花椒采摘器机器视觉的算法准确性与抗干扰能力的有效性.     

基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。     

基于知识深度置信网络的加工粗糙度预测

深度神经网络是一种具有复杂结构和多个非线性处理单元的模型,目前也已逐步被应用在工业生产过程中。但由于神经网络不可解释,不可控制的"黑箱"问题,以及海量的数据需求问题,使得深度学习在工业领域的应用仍有巨大的障碍。提出一种新的深度神经网络模型：知识深度置信网络（Knowledge-based deep belief network,KBDBN）。这种逻辑符号语言与深度神经网络的结合,不仅使得模型具有良好的模式识别性能,还可自适应地确定网络模型并具有可解释和可视化特性。进一步提出基于KBDBN的工件表面粗糙度加工过程的预测模型,实现了精确预测且有效地提取了制造过程的关键知识。试验结果证明：相较于传统机器学习器,KBDBN的网络性能更加优越,具有可解释性,可应用性更强。创新性的将符号规则与深度学习相结合并建立加工粗糙度预测模型,可以在精准预测的前提下提取工艺知识,指导加工工艺优化。     

基于GA-BP网络的矿山路面不平度辨识

提出利用经遗传算法优化的BP神经网络辨识矿山路面的方法。建立了14自由度自卸车仿真模型,将仿真得到的座椅加速度作为网络理想输入样本,基于逆变换原理拟合出的路面不平度作为网络理想输出样本,通过网络训练,建立了两者之间非线性映射模型。对拟合出的不同等级路面、各种凹坑路面及自卸车不同载重下路面不平度进行辨识,辨识路面与测试路面相关系数高、相对误差小,验证了该方法具有对复杂矿山路面的辨识能力。通过整车道路试验,证明了该方法的准确性。与自卸车常用C级路面下的平顺性仿真结果的对比显示,采用该方法得到辨识路面更加接近实际路面,达到了提高模型仿真精度的目的。     

一种基于深度学习的产品分类统计方法的研究

对于流水线上多类产品不规则混合放置条件下的统计问题,利用基于faster R-CNN和改进的深度卷积网络结合的图像识别方法,实现了对产品的在线分类计数。首先利用faster R-CNN方法获取图像中产品的位置信息,然后用改进的深度卷积网络对图像进行特征提取,将产品区域的位置信息映射到最后一层特征图上,再用ROI池化对产品区域特征进行尺度归一化,把归一化后的产品特征输入softmax分类器识别,从而实现了分类统计。实验结果表明,该方法能够在工业生产中实现多类混线产品在线自动分类统计。